一项利用ALOS-2 L波段SAR图像进行地表水检测的机器学习建模研究：日本丘陵山区地区的灌溉状况

《Remote Sensing Applications: Society and Environment》：A machine-learning modelling study on the surface water detection using ALOS-2 L-band SAR images: Irrigation status in a hilly-mountainous region, Japan

　　Itsuki C. Handoh | Rie Sakai | Keita Wakabayashi | Kenshi Kobayashi | Wataru Yasuhara | Tomoko E. Yano | Takashi S.T. Tanaka
日本东京新宿区西新宿，Sagri有限公司工程部研发部门，邮编163-0218

**摘要**
交替湿润和干燥（AWD）灌溉以及中期排水（MSD）是农民为有效种植水稻采用的实践方法，这些方法不仅在水资源管理方面具有重要意义，而且由于稻田会释放大量温室气体，在气候方面也具有关键作用。地球观测技术已被广泛用于水体检测，但目前迫切需要超越劳动密集型的实地监测方式。我们主要利用日本宇宙航空研究开发机构（JAXA）提供的地面水位观测记录和高分辨率ALOS-2 PALSAR-2图像，开发了一套能够识别日本丘陵山区稻田表面水体的机器学习（ML）模型，研究时间跨度为2022年6月至2024年10月。我们采用了一种重采样技术来诊断灌溉状态（非淹没、湿润或淹没）。研究表明，我们的模型在分类灌溉状态方面的预测性能与使用更复杂方法的先前研究相当。基于XGBoost分类器的ML模型表现最佳，准确率达到73%，并能够准确反映该地区灌溉状态与水稻生长阶段的转变。我们的讨论强调了这些ML模型的稳健性和局限性，并指出了真正能够评估AWD效果的基于过程的模型的必要性，这类模型应结合气象数据集以及遥感数据集（包括水体和植被动态的数据）进行运行。

**引言**
水稻田会排放包括甲烷（CH4）、一氧化二氮（N2O）和二氧化碳（CO2）在内的温室气体。据报道，甲烷和一氧化二氮分别占农业总排放量的22%和11%（Crippa等人，2021年；Qian等人，2023年）。在减少这些排放的潜在措施中，交替湿润和干燥（AWD）灌溉（Mote等人，2021年）和中期排水（MSD）（Perry等人，2022年）在农业水资源管理和碳信用市场领域引发了广泛讨论（Yin等人，2020年；Arai，2022年；Sriphirom和Rossopa，2023年；Chandra，2024年；Liu等人，2024年）。

AWD灌溉在亚洲国家被广泛采用（Pearson等人，2018年；Vuciterna等人，2024年），其特点是交替进行湿润和干燥阶段。AWD可以抑制水稻过度分蘖，并平衡甲烷和一氧化二氮的排放，从而实现对水稻生产的定量和定性控制。相比之下，MSD灌溉在日本较为常见，它通过减少湿润-干燥周期来延长干燥期。AWD和MSD都能有效降低净温室气体排放，主要是因为有限的湿润时间减少了甲烷的排放（Toma等人，2019年；Liao等人，2020年）。因此，延长干燥期有利于农业生产及气候变化缓解（Ishfaq等人，2020年；Wu等人，2022年）。从水资源管理的角度来看，如菲律宾等国家所实践的AWD是一种安全且节水的做法，得到了国际水稻研究所（IRRI）的认可。这种做法遵循“-15厘米”的指导原则，即在干燥期间地下水位降至土壤表面以下15厘米（Phoeurn等人，2024年）。而MiDi（MSD后进行间歇性灌溉；参见Minamikawa等人，2021年；Minamikawa，2025年）虽然不完全符合“-15厘米”的标准，但仍属于类似AWD的水资源管理方式。因此，AWD和MSD不仅有助于缓解气候变化，还能缓解全球淡水短缺问题（Richardson等人，2023年）。然而，这些节水措施可能对稻田水生生态系统中的生物多样性产生负面影响（Miyu等人，2020年），影响水生昆虫、鱼类和两栖动物的生存环境。通过引入稻田边缘沟渠（作为水生生物的栖息地和鸟类的觅食地）（Takahashi等人，2023年）和冬季稻田淹水（Hu等人，2016年）等创新措施，已经减轻了一些负面影响。例如，在日本Sado岛上，引入稻田边缘沟渠成功保护了濒危的冠鹮（Nipponia nipponia）。这表明，包括AWD和MSD在内的农业水资源管理策略可以在满足区域需求的同时平衡环境与生产目标（Pearson等人，2018年）。只要这些策略遵循安全的水资源管理指南，就能有效保护生物多样性并保障农业可持续性。

过去几十年中，多种卫星被用于检测地表水体。特别是合成孔径雷达（SAR）在识别洪水或淹没区域（Chapman等人，2015年；Singha等人，2019年；Ohki等人，2020年；Tuan等人，2021年；Hashemi等人，2024年）以及绘制土壤湿度分布图（Sekertekin等人，2020年；Wang等人，2020年；Fluhrer等人，2024年）方面表现出色，且不受云层覆盖的影响。传统的二分类方法（如Otsu阈值）也被用于区分泰国东北部的洪水与非洪水区域（Tamkuan等人，2021年）以及全球范围内的河流、湖泊和稻田（Declaro和Kanae，2024年）。Mizuochi等人（2018年）和Arai等人（2022a）利用随机森林和支持向量分类器等ML模型，分别利用ALOS-2 PALSAR-2 L波段SAR图像检测热带湿地的水体并评估湄公河三角洲的灌溉状况。前者主要分析水平发射和水平接收（HH）极化图像，后者则同时分析HH和垂直接收（HV）极化图像。ALOS-2 1.1级产品能够将全极化图像分解为主要的后向散射成分，包括镜面散射、双重反射散射和体积散射（Ottinger和Kuenzer，2020年；Islam等人，2026年）。Sentinel-1 C波段SAR产品（包含垂直发射和垂直接收（VV）以及垂直发射和水平接收（VH）极化图像）也被用于洪水监测和灌溉稻田监测（Patra等人，2024年）。HH极化图像在暴雨后识别淹没区域方面非常有效（Liu等人，2019年），这种效果同样适用于ALOS-2的前身San Martín等人（2020年）。尽管VV观测的可靠性较低，但在某些情况下，Sentinel-1 C波段VV和PALSAR-2 L波段HH的后向散射系数存在相关性（Mizuochi等人，2018年）。然而，ML模型的预测存在较大不确定性，因为模型性能严重依赖于这些极化图像和地面真实数据的质量和数量。尽管存在这些局限性，但由于其易获取性，Sentinel-1仍在科学界得到广泛应用（Twele等人，2016年；Singha等人，2019年）。

随着卫星观测分辨率的提高，我们能够更精确地量化并理解地球表面的变化。卫星图像的分辨率对于不同利益相关者在水资源管理和碳核算框架中采用遥感技术的效果至关重要（Segami等人，2026年）。在日本，小规模稻田的面积通常在0.1至0.2公顷之间。Sentinel-1的StripMap模式提供的SAR图像像素分辨率为10米×10米，每个稻田区域约有40至80个像素，足以实现精细的识别。利用更高分辨率的图像（如ALOS-2的StripMap模式生成的图像），我们有望在平坦的洪泛区和低洼湿地等开阔区域，以及以小规模稻田为特征的丘陵山区，准确判断灌溉状态。然而，关于在丘陵山区应用ALOS-2图像识别灌溉状态的研究尚不多（Arai等人，2022a；Segami等人，2022年；Segami等人，2026年）。本研究旨在利用地面观测数据和高分辨率SAR图像开发ML模型，以评估丘陵山区稻田的灌溉状况。第2节概述了研究地点、数据集及数据预处理过程。第3节展示了结果和讨论，重点讨论了所提出ML模型的稳健性和局限性。本研究的新颖之处在于：（1）首次在丘陵山区使用L波段SAR数据进行水稻水体检测；（2）采用重采样技术将基于较小规模监督数据集训练的ML模型转换为统计上严谨的灌溉状态评估方法。第4节总结了将卫星数据整合到基于过程的模型中的重要性，以便对AWD灌溉实践及其对气候变化缓解的影响进行可扩展的评估。

**研究地点**
研究区域位于日本广岛县中部（图1）。该地区周围环绕着丘陵和山脉，夏季通常多云。根据K?ppen和Geiger气候分类法，该地区属于湿润亚热带气候（Cfa）。研究包括五个市镇：秋高田、宫市、关市、尾道和三原。尾道和三原的南部边缘濒临濑户内海。

**Otsu阈值**
第2.5.1节创建的监督数据集中的ALOS-2后向散射系数以分层直方图形式展示在图7中。在任何极化波段中，非淹没和淹没状态之间的后向散射系数强度没有明显差异（zwl=0厘米）。四种系数中，非淹没状态与淹没状态之间的σHH0平均值差异最大（1dB，见图7(b)）。

**结论**
我们开发了一套能够预测灌溉状态的稻田识别ML模型。通过严格的MCC阈值筛选出最佳模型，该模型采用XGBoost分类器。这些模型围绕零水位阈值的优化对其结构至关重要。通过蒙特卡洛模拟进行的统计显著性测试使我们能够验证模型的预测效果。

**作者贡献声明**
Itsuki C. Handoh：撰写——审稿与编辑、初稿撰写、可视化、验证、方法论设计、数据整理、概念构建。
Rie Sakai：撰写——审稿与编辑、可视化、验证、软件开发、方法论设计、数据分析、形式分析、数据整理。
Keita Wakabayashi：撰写——审稿与编辑、软件开发、方法论设计、数据分析、形式分析、数据整理、概念构建。
Kenshi Kobayashi：项目管理工作。

**伦理声明**
Itsuki C. Handoh代表所有合作者声明，在本论文的开发和撰写过程中遵循了所有伦理规范。

**关于AI使用的声明**
在准备过程中，作者使用了AI辅助的英语写作工具进行语法检查、语言编辑和文本校对。使用该工具后，作者对内容进行了必要的审查和修改，并对出版物的内容负全责。

**利益冲突声明**
作者声明以下可能构成利益冲突的财务关系和个人关系：Itsuki C. Handoh表示获得了日本农林水产省的财政支持；Rie Sakai表示获得了日本农林水产省的财政支持；Keita Wakabayashi表示获得了日本农林水产省的财政支持。

**致谢**
本研究是在日本宇宙航空研究开发机构（JAXA）的公私合作伙伴关系（PPP）下进行的，并部分得到了日本农林水产省的小型/初创企业创新研究项目的资助。ALOS-2 PALSAR-2数据由JAXA提供。我们感谢广岛县通过Seedbox项目共享了Faro水位记录。本手稿的初稿由Tetsuya教授进行了审阅。